CN111007823A - 柔性作业车间动态调度方法及装置 - Google Patents
柔性作业车间动态调度方法及装置 Download PDFInfo
- Publication number
- CN111007823A CN111007823A CN201911358773.6A CN201911358773A CN111007823A CN 111007823 A CN111007823 A CN 111007823A CN 201911358773 A CN201911358773 A CN 201911358773A CN 111007823 A CN111007823 A CN 111007823A
- Authority
- CN
- China
- Prior art keywords
- procedure
- determining
- scheme
- codes
- alternative
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 353
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 87
- 238000007689 inspection Methods 0.000 claims abstract description 57
- 238000011156 evaluation Methods 0.000 claims abstract description 47
- 230000002068 genetic effect Effects 0.000 claims abstract description 31
- 238000002922 simulated annealing Methods 0.000 claims abstract description 14
- 238000000137 annealing Methods 0.000 claims description 44
- 230000035772 mutation Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 19
- 238000003754 machining Methods 0.000 description 6
- 108090000623 proteins and genes Proteins 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 2
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供一种柔性作业车间动态调度方法及装置，该方法包括：在原始方案的调度过程中，若第一工序的质检结果为不合格，则生成每个第二工序与可加工设备的对应关系的至少一个备选方案；其中，所述第二工序为：在所述第一工序的质检结果为不合格时，所述原始方案中未开始的工序；基于局面评价算法，确定每个所述第二工序分别对应的最优方案；其中，所述最优方案是每个所述第二工序对应的至少一个备选方案中的一个；基于所述第二工序分别对应的最优方案，通过模拟退火遗传算法确定所述第二工序的加工顺序，得到目标方案。本发明能够解决作业计划与生产实际脱节的问题，为车间调度人员进行具有质检工序的柔性作业车间动态调度提供指导。
Description
技术领域
本发明涉及柔性作业车间调度问题，尤其涉及一种柔性作业车间动态调度方法及装置。
背景技术
柔性作业车间调度问题(Flexible Job-shop Scheduling Problem，FJSP)是作业车间调度问题(Job-shop Scheduling Problem，JSP)的扩展，在现代制造业中被广泛研究。在传统的FJSP中，对于任意一道工序，一旦其工艺路线约束下的前一道工序加工完成，且该工序的可加工设备存在空闲，便可开始加工。
但是，随着用户对产品质量要求的提高，在生产过程中常常穿插质检环节。质检环节的出现，使得相邻工序之间不能直接衔接。根据生产实际，产品的质检结果一般分为合格和不合格，其中不合格包括返修和)报废。若工件的某一道工序质检结果为合格，则该工件可直接进行下一道工序的安排。若工件的某一道工序质检结果为返修，则该工件的当前加工工序需要重新被安排，直至质检合格或报废，如图1所示。若工件的某一道工序质检结果为报废，则该工件不能继续后续工序的加工，已经加工完成的工序也会作废，相应的，在原问题规模涉及的n个工件中应增加一个新的与报废工件相同的工件，重新从第一道工序开始安排，如图1所示。
传统的FJSP不涉及工件的质检，其排产方法更不存在对质检结果出现返修情况的应对。对于质检出现工件报废的情况，通常的做法是根据预先估计的工件的废品率，在工件加工开始就增加工件的排产数量，从而增加排产方案对报废件的容忍。这种排产方式，没有考虑到加工过程中由质检不合格带来的单道工序重入和由质检报废带来的工件重新投产的情况，使得作业计划与生产实际脱节，无法对生产实际进行持续指导。
发明内容
本发明实施例提供了一种柔性作业车间动态调度方法及装置，能够解决目前柔性作业车间动态调度方法中由于质检不合格带来的单道工序重入和由质检报废带来的工件重新投产的情况，使得作业计划与生产实际脱节的问题。
为了解决上述技术问题，本发明实施例是这样实现的：
第一方面，本发明实施例提供了一种柔性作业车间动态调度方法，包括：
在原始方案的调度过程中，若第一工序的质检结果为不合格，则生成每个第二工序与可加工设备的对应关系的至少一个备选方案；其中，所述第二工序为：在所述第一工序的质检结果为不合格时，所述原始方案中未开始的工序；
基于局面评价算法，确定每个所述第二工序分别对应的最优方案；其中，所述最优方案是每个所述第二工序对应的至少一个备选方案中的一个；
基于所述第二工序分别对应的最优方案，通过模拟退火遗传算法确定所述第二工序的加工顺序，得到目标方案。
可选的，所述若第一工序的质检结果为不合格，则生成每个第二工序与可加工设备的对应关系的至少一个备选方案，包括：
在第一工序的质检结果为不合格的情况下，确定所述第一工序的完成时刻作为扰动时间节点；
确定所述扰动时间节点之后开始的所有工序，作为所述第二工序；
生成每个所述第二工序与可加工设备的对应关系的至少一个备选方案。
可选的，所述生成每个所述第二工序与可加工设备的对应关系的至少一个备选方案，包括：
根据第一目标工序的最早可开始时刻和AM个可加工设备的空闲时间，确定将所述第一目标工序安排到所述AM个可加工设备上的AM个备选方案；其中，所述第一目标工序为所述第二工序中的任意一个；AM为第一目标工序的可加工设备的数量。
可选的，所述基于局面评价算法，确定每个所述第二工序分别对应的最优方案，包括：
计算第二目标工序的每个备选方案分别对应的局面评价值；
确定所述局面评价值中最小值对应的备选方案，作为所述第二目标工序对应的最优方案；其中，所述第二目标工序为所述第二工序中的任意一个。
可选的，所述计算第二目标工序的至少一个备选方案分别对应的局面评价值，包括：
通过公式Pijp＝(NSij-OSij)2/(OYijp+1)，计算所述第二目标工序的每个备选方案分别对应的局面评价值；
其中，Oij为所述第二目标工序；Pijp为将工序Oij安排在可加工设备Mp上的局面评价值，NSij表示所述备选方案中工序Oij的开始时间，OSij表示所述原始方案中工序Oij的开始时间；若所述原始方案中工序Oij安排在可加工设备Mp上，则OYijp的值为1，否则为0。
可选的，所述基于所述第二工序分别对应的最优方案，通过模拟退火遗传算法确定所述第二工序的加工顺序，得到目标方案，包括：
基于遗传算法，执行以下步骤：以第i个编码组中的m个编码作为个体，以所述m个编码分别对应的最大完工时间作为所述个体的适应度，通过退火算法得到m个更新后的编码；
在满足所述遗传算法的预定终止条件时，从i次所述退火算法后分别得到的i个编码组中确定一个全局最优编码；
根据所述全局最优编码，得到所述目标方案；
其中，所述编码用于指示所述第二工序的加工顺序；i为退火算法的次数，m为每个编码组中编码的数量；
当i为1时，所述第i个编码组中的m个编码是：基于所述第二工序分别对应的最优方案，生成的m个编码；
当i大于1时，所述第i个编码组中的m个编码是：所述第i-1个编码组经过退火算法后得到m个更新后的编码，并进行变异处理后得到的m个变异后的编码。
可选的，所述从i次所述退火算法后分别得到的i个编码组中确定一个全局最优编码，包括：
从所述i个编码组中确定对应的最大完工时间最小的一个编码，作为所述全局最优编码。
第二方面，本发明实施例还提供了一种柔性作业车间动态调度装置，包括：
生成模块，用于在原始方案的调度过程中，若第一工序的质检结果为不合格，则生成每个第二工序与可加工设备的对应关系的至少一个备选方案；其中，所述第二工序为：在所述第一工序的质检结果为不合格时，所述原始方案中未开始的工序；
第一确定模块，用于基于局面评价算法，确定每个所述第二工序分别对应的最优方案；其中，所述最优方案是每个所述第二工序对应的至少一个备选方案中的一个；
第二确定模块，用于基于所述第二工序分别对应的最优方案，通过模拟退火遗传算法确定所述第二工序的加工顺序，得到目标方案。
可选的，所述生成模块包括：
第一确定子模块，用于在第一工序的质检结果为不合格的情况下，确定所述第一工序的完成时刻作为扰动时间节点；
第二确定子模块，用于确定所述扰动时间节点之后开始的所有工序，作为所述第二工序；
生成子模块，用于生成每个所述第二工序与可加工设备的对应关系的至少一个备选方案。
可选的，所述生成子模块包括：
确定单元，用于根据第一目标工序的最早可开始时刻和AM个可加工设备的空闲时间，确定将所述第一目标工序安排到所述AM个可加工设备上的AM个备选方案；其中，所述第一目标工序为所述第二工序中的任意一个；AM为第一目标工序的可加工设备的数量。
可选的，所述第一确定模块包括：
计算子模块，用于计算第二目标工序的每个备选方案分别对应的局面评价值；
第三确定子模块，用于确定所述局面评价值中最小值对应的备选方案，作为所述第二目标工序对应的最优方案；其中，所述第二目标工序为所述第二工序中的任意一个。
可选的，所述计算子模块包括：
计算单元，用于通过公式Pijp＝(NSij-OSij)2/(OYijp+1)，计算所述第二目标工序的每个备选方案分别对应的局面评价值；
其中，Oij为所述第二目标工序；Pijp为将工序Oij安排在可加工设备Mp上的局面评价值，NSij表示所述备选方案中工序Oij的开始时间，OSij表示所述原始方案中工序Oij的开始时间；若所述原始方案中工序Oij安排在可加工设备Mp上，则OYijp的值为1，否则为0。
可选的，所述第二确定模块包括：
第一处理子模块，用于基于遗传算法，执行以下步骤：以第i个编码组中的m个编码作为个体，以所述m个编码分别对应的最大完工时间作为所述个体的适应度，通过退火算法得到m个更新后的编码；
第二处理子模块，用于在满足所述遗传算法的预定终止条件时，从i次所述退火算法后分别得到的i个编码组中确定一个全局最优编码；
第三处理子模块，用于根据所述全局最优编码，得到所述目标方案；
其中，所述编码用于指示所述第二工序的加工顺序；i为退火算法的次数，m为每个编码组中编码的数量；
当i为1时，所述第i个编码组中的m个编码是：基于所述第二工序分别对应的最优方案，生成的m个编码；
当i大于1时，所述第i个编码组中的m个编码是：所述第i-1个编码组经过退火算法后得到m个更新后的编码，并进行变异处理后得到的m个变异后的编码。
可选的，所述第二处理子模块包括：
处理单元，用于从所述i个编码组中确定对应的最大完工时间最小的一个编码，作为所述全局最优编码。
第三方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述柔性作业车间动态调度方法的步骤。
本发明的上述方案中，通过在原始方案的调度过程中，若第一工序的质检结果为不合格，则生成每个第二工序与可加工设备的对应关系的至少一个备选方案；基于局面评价算法，确定每个所述第二工序分别对应的最优方案；基于所述第二工序分别对应的最优方案，通过模拟退火遗传算法确定所述第二工序的加工顺序，得到目标方案，解决了目前柔性作业车间动态调度方法中由于质检不合格带来的单道工序重入和由质检报废带来的工件重新投产的情况，使得作业计划与生产实际脱节的问题，从而为车间调度人员进行具有质检工序的柔性作业车间动态调度提供指导，并且能够保证重新调度的方案与原始方案的差距较小，以及保证最大完工时间的最小化。
附图说明
图1为本发明实施例的工件加工工序的流程图；
图2为本发明实施例的柔性作业车间动态调度方法的流程图；
图3为本发明实施例的原始方案的示意图；
图4为本发明实施例的备选方案的示意图之一；
图5为本发明实施例的备选方案的示意图之二；
图6为本发明实施例的备选方案的示意图之三；
图7为本发明实施例的备选方案的示意图之四；
图8为本发明实施例的备选方案的示意图之五；
图9为本发明实施例的确定第二工序对应的最优方案的流程图；
图10为本发明实施例的一种个体对应的编码的示意图；
图11为本发明实施例的变异处理的示意图；
图12为本发明实施例的遗传退火算法的流程图；
图13为本发明实施例的退火算法的流程图；
图14为本发明实施例的柔性作业车间动态调度装置的框图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
如图2，本发明实施例提供了一种柔性作业车间动态调度方法，包括：
步骤21：在原始方案的调度过程中，若第一工序的质检结果为不合格，则生成每个第二工序与可加工设备的对应关系的至少一个备选方案。
其中，所述第二工序为：在所述第一工序的质检结果为不合格时，所述原始方案中未开始的工序。
如图3给出了一种原始方案的调度过程中，工序与可加工设备的方案，其中，M1～M5表示可加工设备；工序O21、O11在可加工设备M1上加工，工序O41、O32、O33在可加工设备M2上加工，工序O31、O12、O42在可加工设备M3上加工，工序O22、O13在可加工设备M4上加工，工序O23在可加工设备M5上加工。
若图3中工序O41为质检不合格(如检修或报废，这里以检修为例进行说明)的第一工序，则原始方案中未开始的第二工序包括：工序O41、O32、O33、O12、O42、O13和O23；如给未加工的工序41重新分配可加工设备，对应的分配方案如图4～图8所示。
可选的，图3中的工序O41的质检结果为报废，则原始方案中未开始的第二工序不包括工序O41以及工序O41之后的工序，可以另增加新的工件，并为新工件的每个工序安排可加工设备。
需要说明的是，本发明实施例中的可加工设备的数量，工件的数量以及每个工件的加工工序的数量均为示例性说明，本发明的调度方案应不以此为限。
步骤22：基于局面评价算法，确定每个所述第二工序分别对应的最优方案。
其中，所述最优方案是每个所述第二工序对应的至少一个备选方案中的一个。
该实施例中，针对每个第二工序，基于局面评价算法，找到每一个第二工序对应的第一个备选方案，即针对每一个第二工序找到一个第二工序与可加工设备对应关系的一个备选方案，即为最优方案。
步骤23：基于所述第二工序分别对应的最优方案，通过模拟退火遗传算法确定所述第二工序的加工顺序，得到目标方案。
该实施例中，基于上述步骤22中确定的每个第二工序与可加工设备之间对应关系的最优方案的基础上，进一步基于模拟退火算法，确定所有第二工序的排列顺序，进而得到目标方案，也即目标方案中包括第二工序的加工顺序，以及每个第二工序分别对应的可加工设备。
上述方案中，通过在原始方案的调度过程中，若第一工序的质检结果为不合格，则生成每个第二工序与可加工设备的对应关系的至少一个备选方案；基于局面评价算法，确定每个所述第二工序分别对应的最优方案；基于所述第二工序分别对应的最优方案，通过模拟退火遗传算法确定所述第二工序的加工顺序，得到目标方案，解决了目前柔性作业车间动态调度方法中由于质检不合格带来的单道工序重入和由质检报废带来的工件重新投产的情况，使得作业计划与生产实际脱节的问题，从而为车间调度人员进行具有质检工序的柔性作业车间动态调度提供指导，并且能够保证重新调度的方案与原始方案的差距较小，以及保证最大完工时间的最小化。
可选的，上述步骤21可以具体包括：
在第一工序的质检结果为不合格的情况下，确定所述第一工序的完成时刻作为扰动时间节点；
确定所述扰动时间节点之后开始的所有工序，作为所述第二工序；
生成每个所述第二工序与可加工设备的对应关系的至少一个备选方案。
具体的，在获得质检结果为返修或者报废的第一工序的情况下，计算扰动时间节点(即在原始方案中该不合格的第一工序的加工结束时刻)；保持原始方案中扰动时间节点之前已经开始的工序的加工时间和加工设备不变，在扰动节点之后开始的工序需要进行重调度，即为在扰动节点之后开始的每个工序分别安排可加工设备，得到每个工序对应的至少一个备选方案。
可选的，上述生成每个所述第二工序与可加工设备的对应关系的至少一个备选方案的步骤，可以具体包括：
根据第一目标工序的最早可开始时刻和AM个可加工设备的空闲时间，确定将所述第一目标工序安排到所述AM个可加工设备上的AM个备选方案；其中，所述第一目标工序为所述第二工序中的任意一个；AM为第一目标工序的可加工设备的数量。
其中，在所述第一目标工序是目标工件的加工工序中的第一道工序的情况下，所述最早可开始时刻为当前时刻；在所述第一目标工序是所述加工工序中除所述第一道工序之外的其他工序的情况下，所述最早可开始时刻为：所述加工工序中处于所述第一目标工序之前的最后一道工序的结束时刻。
例如：选择需要进行调度的第一道工序作为当前待安排工序，如果该当前待安排工序不是某个工件的第一道工序，则根据该当前待安排工序的工艺路线内前续工序的结束时间获得当前待安排工序的最早可开始时间；如果该当前待安排工序是某个工件的第一道工序，则将当前时刻作为最早可开始时间。进而结合当前待安排工序的最早可开始时间和当前待安排工序的所有可加工设备的空闲时间进行考量，将当前待安排工序分别安排到各个可加工设备上，获得当前待安排工序的AM(AM为当前待安排工序的可加工设备的数量)个备选方案，如图4～图8所示。
该实施例中，针对每个第二工序均可才上上述相同的方法确定与其对应的备选方案，这里不再赘述。
可选的，上述步骤22可以具体包括：
计算第二目标工序的每个备选方案分别对应的局面评价值；
确定所述局面评价值中最小值对应的备选方案，作为所述第二目标工序对应的最优方案；其中，所述第二目标工序为所述第二工序中的任意一个。
具体的，上述计算第二目标工序的至少一个备选方案分别对应的局面评价值的步骤，可以具体包括：
通过公式Pijp＝(NSij-OSij)2/(OYijp+1)，计算所述第二目标工序的每个备选方案分别对应的局面评价值；
其中，Oij为所述第二目标工序；Pijp为将工序Oij安排在可加工设备Mp上的局面评价值，NSij表示所述备选方案中工序Oij的开始时间，OSij表示所述原始方案中工序Oij的开始时间；若所述原始方案中工序Oij安排在可加工设备Mp上，则OYijp的值为1，否则为0。
上述公式中的分子即表示原始方案和备选方案中，工序Oij的加工开始时间之间的差异。上述公式中的分母即表示原始方案和备选方案中，工序Oij所安排的可加工设备之间的差异。若所安排的可加工设备不同，则分母的值为1；否则分母的值为2，工序Oij的加工开始时间的差异对评估值的影响将减小。
该实施例中，通过计算第二目标工序的每个备选方案分别对应的局面评价值，并确定所述局面评价值中最小值对应的备选方案，作为所述第二目标工序对应的最优方案，以尽量减小原始方案和备选方案之间的差异。
如图9给出了一种确定第二工序对应的最优方案的流程图。具体包括：
步骤91：获得原始方案、扰动时间节点和不合格的第一工序；
步骤92：判断当前编码中是否有基因；其中，基因表示工序，当前编码指示原始方案中工序的加工顺序；若不是，则流程结束；若是，则执行下述步骤93；
步骤93：获得当前编码中第一个基因对应的工序，即为当前工序；
步骤94：判断该当前工序是否在扰动时间节点前：若是，则执行下述步骤95；若不是，则执行下述步骤96；
步骤95：删除当前编码中的该第一个基因；在该步骤95之后，返回到上述步骤92。
步骤96：获得当前工序的备选方案；
步骤97：计算各个备选方案的局面评价值；
步骤98：根据该局面评价产生当前工序的最优方案，即局面评价值最小的一个被备选方案；在该步骤98之后，返回到上述步骤95，直至不存在未安排的工序，则流程结束，即找到每个处于扰动节点之后的工序的最优方案。
可选的，上述步骤23可以具体包括：
基于遗传算法，执行以下步骤：以第i个编码组中的m个编码作为个体，以所述m个编码分别对应的最大完工时间作为所述个体的适应度，通过退火算法得到m个更新后的编码；
在满足所述遗传算法的预定终止条件时，从i次所述退火算法后分别得到的i个编码组中确定一个全局最优编码；
根据所述全局最优编码，得到所述目标方案；
其中，所述编码用于指示所述第二工序的加工顺序；i为退火算法的次数，m为每个编码组中编码的数量；
当i为1时，所述第i个编码组中的m个编码是：基于所述第二工序分别对应的最优方案，生成的m个编码；
当i大于1时，所述第i个编码组中的m个编码是：所述第i-1个编码组经过退火算法后得到m个更新后的编码，并进行变异处理后得到的m个变异后的编码。
具体的，如图12，在进行第一次退火算法处理时，先初始化种群。即选择工序编码的方式生成种群个体(即第一个编码组中的编码)。该编码方式下，染色体(即种群个体)中每一个基因表示该编号所对应的工序。图10所示为一条包含8个基因的主个体染色体，其表示的工序安排顺序为：工作2的第一道工序→工作1的第一道工序→工作1的第二道工序→工作3的第一道工序→工作2的第二道工序→工作3的第二道工序→工作1的第三道工序→工作3的第三道工序。
这样，在生成了种群中的个体的情况下，可以计算每个个体的适应度值，即按照每个个体可以计算得到其编码顺序下所有工序的最大完工时间(Cmax)，该Cmax即为适应度值。其中，最大完工时间是所有工序中第一个工序的开始时刻到所有工序中最后一个工序的完成时刻所经过的时长。
经过第一次退火算法后得到m个编码，即第一次退火算法的局部最优解，这第一次退火算法后得到m个编码构成第二个编码组；将该第二个编码组进行大规模变异处理，如图11所示；并以该变异处理后的第二个编码组作为新的个体进行第二次退火算法，从而得到经过第二次退火算法后得到的m个编码，即第二次退火算法的局部最优解，这第二次退火算法后得到的m个编码构成第三个编码组；将该第三个编码组进行大规模变异处理，并以该变异处理后的第三个编码组作为新的个体进行第三次退火算法，从而得到经过第三次退火算法后得到的m个编码，以此类推，直至达到遗传算法的预定终止条件。
可选的，上述遗传算法的预定终止条件可以是进行预定次数的退火算法，如：10次。这样，经过模拟遗传退火算法可以得到多组局部最优解。
可选的，上述从i次所述退火算法后分别得到的i个编码组中确定一个全局最优编码的步骤可以具体包括：从所述i个编码组中确定对应的最大完工时间最小的一个编码，作为所述全局最优编码。
这样，从获得的多组局部最优解中，选择一个最大完工时间最小的一个编码作为全局最优编码，即保证所有第二工序被安排到与原始方案差异较小的可加工设备的基础上，还尽可能的保证最大完工时间较小。
如图13所示，上述步骤中以第i个编码组中的m个编码作为个体，以所述m个编码分别对应的最大完工时间作为所述个体的适应度，通过退火算法得到m个更新后的编码的步骤，可以具体包括：
a、初始化温度值T；
b、针对每个所述个体分别生成一个邻域个体(例如：图13中个体1的邻域个体为1’、个体2的邻域个体为2’,个体m的邻域个体为m’，具体的确定邻域个体的方式可以有多种，本发明不做具体限定)，并计算所述邻域个体对应的适应度；
c、计算每个所述个体与其对应的所述邻域个体之间的适应度增量ΔE；若第一个体与所述第一个体对应的增量ΔE＜0，则执行下述步骤f；若第一个体与所述第一个体对应的增量ΔE≥0，则执行下述步骤d；
d、通过公式r＝exp(ΔE/kT)，计算每个所述个体与其对应的所述邻域个体之间的接收率；其中，r为接受率，k为预设常数，exp为自然常数；
e、将所述接受率r与一随机数(rand)进行比较；其中，所述随机数的取值范围为0～1；若r＞rand，则执行下述步骤f；若r≤rand，则执行下述步骤g；
f、将所述第一个体替换为与其对应的邻域个体；其中，所述第一个体为所述个体中的任意一个；
g、更新温度值，如：以预定步长递减温度值T；
h、判断是否满足终止条件，如：当前温度值T是否递减到预定值；当所述温度值T未递减到预定值时，重复执行上述步骤b～g；当所述温度值T递减到预定值时，流程结束，得到m个局部最优解，所述m个局部最优解为最后一次执行步骤g对应的m个编码。
本发明实施例的上述方案中，提供了一种考虑质检工序的柔性作业车间动态调度方法；其中该方法基于局面评价的设备分配算法为每一道工序分配一台加工设备，实现了以最小化最大完工时间和最小化新旧排产方案差异为目标的所有工序的设备分配；并且基于改进的遗传退火混合算法用于优化所有工序的安排顺序，以及改进的遗传退火算能够结合模拟退火算法优秀的局部寻优能力和遗传算法的变异操作，保证其全局寻优能力，实现快速的全局搜索。
该方案解决了目前柔性作业车间动态调度方法中由于质检不合格带来的单道工序重入和由质检报废带来的工件重新投产的情况，使得作业计划与生产实际脱节的问题，并且能够保证重新调度的方案与原始方案的差距较小，以及保证最大完工时间的最小化。
如图14，本发明实施例还提供了一种柔性作业车间动态调度装置，包括：
生成模块1410，用于在原始方案的调度过程中，若第一工序的质检结果为不合格，则生成每个第二工序与可加工设备的对应关系的至少一个备选方案；其中，所述第二工序为：在所述第一工序的质检结果为不合格时，所述原始方案中未开始的工序；
第一确定模块1420，用于基于局面评价算法，确定每个所述第二工序分别对应的最优方案；其中，所述最优方案是每个所述第二工序对应的至少一个备选方案中的一个；
第二确定模块1430，用于基于所述第二工序分别对应的最优方案，通过模拟退火遗传算法确定所述第二工序的加工顺序，得到目标方案。
可选的，所述生成模块1410包括：
第一确定子模块，用于在第一工序的质检结果为不合格的情况下，确定所述第一工序的完成时刻作为扰动时间节点；
第二确定子模块，用于确定所述扰动时间节点之后开始的所有工序，作为所述第二工序；
生成子模块，用于生成每个所述第二工序与可加工设备的对应关系的至少一个备选方案。
可选的，所述生成子模块包括：
确定单元，用于根据第一目标工序的最早可开始时刻和AM个可加工设备的空闲时间，确定将所述第一目标工序安排到所述AM个可加工设备上的AM个备选方案；其中，所述第一目标工序为所述第二工序中的任意一个；AM为第一目标工序的可加工设备的数量。
可选的，所述第一确定模块1420包括：
计算子模块，用于计算第二目标工序的每个备选方案分别对应的局面评价值；
第三确定子模块，用于确定所述局面评价值中最小值对应的备选方案，作为所述第二目标工序对应的最优方案；其中，所述第二目标工序为所述第二工序中的任意一个。
可选的，所述计算子模块包括：
计算单元，用于通过公式Pijp＝(NSij-OSij)2/(OYijp+1)，计算所述第二目标工序的每个备选方案分别对应的局面评价值；
其中，Oij为所述第二目标工序；Pijp为将工序Oij安排在可加工设备Mp上的局面评价值，NSij表示所述备选方案中工序Oij的开始时间，OSij表示所述原始方案中工序Oij的开始时间；若所述原始方案中工序Oij安排在可加工设备Mp上，则OYijp的值为1，否则为0。
可选的，所述第二确定模块1430包括：
第一处理子模块，用于基于遗传算法，执行以下步骤：以第i个编码组中的m个编码作为个体，以所述m个编码分别对应的最大完工时间作为所述个体的适应度，通过退火算法得到m个更新后的编码；
第二处理子模块，用于在满足所述遗传算法的预定终止条件时，从i次所述退火算法后分别得到的i个编码组中确定一个全局最优编码；
第三处理子模块，用于根据所述全局最优编码，得到所述目标方案；
其中，所述编码用于指示所述第二工序的加工顺序；i为退火算法的次数，m为每个编码组中编码的数量；
当i为1时，所述第i个编码组中的m个编码是：基于所述第二工序分别对应的最优方案，生成的m个编码；
当i大于1时，所述第i个编码组中的m个编码是：所述第i-1个编码组经过退火算法后得到m个更新后的编码，并进行变异处理后得到的m个变异后的编码。
可选的，所述第二处理子模块包括：
处理单元，用于从所述i个编码组中确定对应的最大完工时间最小的一个编码，作为所述全局最优编码。
本发明实施例提供的装置能够实现上述至少一个方法实施例中实现的各个过程，为避免重复，这里不再赘述。
本发明实施例中的装置1400，通过生成模块1410在原始方案的调度过程中，若第一工序的质检结果为不合格，则生成每个第二工序与可加工设备的对应关系的至少一个备选方案；并通过第一确定模块1420基于局面评价算法，确定每个所述第二工序分别对应的最优方案；以及通过第二确定模块1430基于所述第二工序分别对应的最优方案，通过模拟退火遗传算法确定所述第二工序的加工顺序，得到目标方案，解决了目前柔性作业车间动态调度方法中由于质检不合格带来的单道工序重入和由质检报废带来的工件重新投产的情况，使得作业计划与生产实际脱节的问题，从而为车间调度人员进行具有质检工序的柔性作业车间动态调度提供指导，并且能够保证重新调度的方案与原始方案的差距较小，以及保证最大完工时间的最小化。
此外，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述柔性作业车间动态调度方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(RandomAccess Memory，简称RAM)、磁碟或者光盘等。
以上所述的是本发明的优选实施方式，应当指出对于本技术领域的普通人员来说，在不脱离本发明所述的原理前提下还可以作出若干改进和润饰，这些改进和润饰也在本发明的保护范围内。
Claims (15)
1.一种柔性作业车间动态调度方法，其特征在于，包括：
在原始方案的调度过程中，若第一工序的质检结果为不合格，则生成每个第二工序与可加工设备的对应关系的至少一个备选方案；其中，所述第二工序为：在所述第一工序的质检结果为不合格时，所述原始方案中未开始的工序；
基于局面评价算法，确定每个所述第二工序分别对应的最优方案；其中，所述最优方案是每个所述第二工序对应的至少一个备选方案中的一个；
基于所述第二工序分别对应的最优方案，通过模拟退火遗传算法确定所述第二工序的加工顺序，得到目标方案。
2.根据权利要求1所述的柔性作业车间动态调度方法，其特征在于，所述若第一工序的质检结果为不合格，则生成每个第二工序与可加工设备的对应关系的至少一个备选方案，包括：
在第一工序的质检结果为不合格的情况下，确定所述第一工序的完成时刻作为扰动时间节点；
确定所述扰动时间节点之后开始的所有工序，作为所述第二工序；
生成每个所述第二工序与可加工设备的对应关系的至少一个备选方案。
3.根据权利要求2所述的柔性作业车间动态调度方法，其特征在于，所述生成每个所述第二工序与可加工设备的对应关系的至少一个备选方案，包括：
根据第一目标工序的最早可开始时刻和AM个可加工设备的空闲时间，确定将所述第一目标工序安排到所述AM个可加工设备上的AM个备选方案；其中，所述第一目标工序为所述第二工序中的任意一个；AM为第一目标工序的可加工设备的数量。
4.根据权利要求1所述的柔性作业车间动态调度方法，其特征在于，所述基于局面评价算法，确定每个所述第二工序分别对应的最优方案，包括：
计算第二目标工序的每个备选方案分别对应的局面评价值；
确定所述局面评价值中最小值对应的备选方案，作为所述第二目标工序对应的最优方案；其中，所述第二目标工序为所述第二工序中的任意一个。
5.根据权利要求4所述的柔性作业车间动态调度方法，其特征在于，所述计算第二目标工序的至少一个备选方案分别对应的局面评价值，包括：
通过公式Pijp＝(NSij-OSij)2/(OYijp+1)，计算所述第二目标工序的每个备选方案分别对应的局面评价值；
其中，Oij为所述第二目标工序；Pijp为将工序Oij安排在可加工设备Mp上的局面评价值，NSij表示所述备选方案中工序Oij的开始时间，OSij表示所述原始方案中工序Oij的开始时间；若所述原始方案中工序Oij安排在可加工设备Mp上，则OYijp的值为1，否则为0。
6.根据权利要求1所述的柔性作业车间动态调度方法，其特征在于，所述基于所述第二工序分别对应的最优方案，通过模拟退火遗传算法确定所述第二工序的加工顺序，得到目标方案，包括：
基于遗传算法，执行以下步骤：以第i个编码组中的m个编码作为个体，以所述m个编码分别对应的最大完工时间作为所述个体的适应度，通过退火算法得到m个更新后的编码；
在满足所述遗传算法的预定终止条件时，从i次所述退火算法后分别得到的i个编码组中确定一个全局最优编码；
根据所述全局最优编码，得到所述目标方案；
其中，所述编码用于指示所述第二工序的加工顺序；i为退火算法的次数，m为每个编码组中编码的数量；
当i为1时，所述第i个编码组中的m个编码是：基于所述第二工序分别对应的最优方案，生成的m个编码；
当i大于1时，所述第i个编码组中的m个编码是：所述第i-1个编码组经过退火算法后得到m个更新后的编码，并进行变异处理后得到的m个变异后的编码。
7.根据权利要求6所述的柔性作业车间动态调度方法，其特征在于，所述从i次所述退火算法后分别得到的i个编码组中确定一个全局最优编码，包括：
从所述i个编码组中确定对应的最大完工时间最小的一个编码，作为所述全局最优编码。
8.一种柔性作业车间动态调度装置，其特征在于，包括：
生成模块，用于在原始方案的调度过程中，若第一工序的质检结果为不合格，则生成每个第二工序与可加工设备的对应关系的至少一个备选方案；其中，所述第二工序为：在所述第一工序的质检结果为不合格时，所述原始方案中未开始的工序；
第一确定模块，用于基于局面评价算法，确定每个所述第二工序分别对应的最优方案；其中，所述最优方案是每个所述第二工序对应的至少一个备选方案中的一个；
第二确定模块，用于基于所述第二工序分别对应的最优方案，通过模拟退火遗传算法确定所述第二工序的加工顺序，得到目标方案。
9.根据权利要求8所述的柔性作业车间动态调度装置，其特征在于，所述生成模块包括：
第一确定子模块，用于在第一工序的质检结果为不合格的情况下，确定所述第一工序的完成时刻作为扰动时间节点；
第二确定子模块，用于确定所述扰动时间节点之后开始的所有工序，作为所述第二工序；
生成子模块，用于生成每个所述第二工序与可加工设备的对应关系的至少一个备选方案。
10.根据权利要求9所述的柔性作业车间动态调度装置，其特征在于，所述生成子模块包括：
确定单元，用于根据第一目标工序的最早可开始时刻和AM个可加工设备的空闲时间，确定将所述第一目标工序安排到所述AM个可加工设备上的AM个备选方案；其中，所述第一目标工序为所述第二工序中的任意一个；AM为第一目标工序的可加工设备的数量。
11.根据权利要求8所述的柔性作业车间动态调度装置，其特征在于，所述第一确定模块包括：
计算子模块，用于计算第二目标工序的每个备选方案分别对应的局面评价值；
第三确定子模块，用于确定所述局面评价值中最小值对应的备选方案，作为所述第二目标工序对应的最优方案；其中，所述第二目标工序为所述第二工序中的任意一个。
12.根据权利要求11所述的柔性作业车间动态调度装置，其特征在于，所述计算子模块包括：
计算单元，用于通过公式Pijp＝(NSij-OSij)2/(OYijp+1)，计算所述第二目标工序的每个备选方案分别对应的局面评价值；
其中，Oij为所述第二目标工序；Pijp为将工序Oij安排在可加工设备Mp上的局面评价值，NSij表示所述备选方案中工序Oij的开始时间，OSij表示所述原始方案中工序Oij的开始时间；若所述原始方案中工序Oij安排在可加工设备Mp上，则OYijp的值为1，否则为0。
13.根据权利要求8所述的柔性作业车间动态调度装置，其特征在于，所述第二确定模块包括：
第一处理子模块，用于基于遗传算法，执行以下步骤：以第i个编码组中的m个编码作为个体，以所述m个编码分别对应的最大完工时间作为所述个体的适应度，通过退火算法得到m个更新后的编码；
第二处理子模块，用于在满足所述遗传算法的预定终止条件时，从i次所述退火算法后分别得到的i个编码组中确定一个全局最优编码；
第三处理子模块，用于根据所述全局最优编码，得到所述目标方案；
其中，所述编码用于指示所述第二工序的加工顺序；i为退火算法的次数，m为每个编码组中编码的数量；
当i为1时，所述第i个编码组中的m个编码是：基于所述第二工序分别对应的最优方案，生成的m个编码；
当i大于1时，所述第i个编码组中的m个编码是：所述第i-1个编码组经过退火算法后得到m个更新后的编码，并进行变异处理后得到的m个变异后的编码。
14.根据权利要求13所述的柔性作业车间动态调度装置，其特征在于，所述第二处理子模块包括：
处理单元，用于从所述i个编码组中确定对应的最大完工时间最小的一个编码，作为所述全局最优编码。
15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述柔性作业车间动态调度方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911358773.6A CN111007823B (zh) | 2019-12-25 | 2019-12-25 | 柔性作业车间动态调度方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911358773.6A CN111007823B (zh) | 2019-12-25 | 2019-12-25 | 柔性作业车间动态调度方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111007823A true CN111007823A (zh) | 2020-04-14 |
| CN111007823B CN111007823B (zh) | 2021-01-22 |
Family
ID=70118630
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911358773.6A Active CN111007823B (zh) | 2019-12-25 | 2019-12-25 | 柔性作业车间动态调度方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111007823B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111667194A (zh) * | 2020-06-15 | 2020-09-15 | 绍兴数智科技有限公司 | 适用于印染企业的生产调度方法、装置及电子设备 |
| CN112650187A (zh) * | 2021-01-22 | 2021-04-13 | 北京理工大学 | 一种车间调度方法、装置和*** |
| CN115204525A (zh) * | 2022-09-14 | 2022-10-18 | 中科航迈数控软件(深圳)有限公司 | 一种加工任务调度方法、装置、终端及存储介质 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09282359A (ja) * | 1996-04-09 | 1997-10-31 | Nippon Telegr & Teleph Corp <Ntt> | ジョブショップスケジューリング装置 |
| WO2004088554A2 (en) * | 2003-03-31 | 2004-10-14 | British Telecommuications Public Limited Company | Event scheduling |
| CN101546191A (zh) * | 2009-03-24 | 2009-09-30 | 苏添置 | 流水线作业数据采集及管控方法和*** |
| CN104914835A (zh) * | 2015-05-22 | 2015-09-16 | 齐鲁工业大学 | 一种柔性作业车间调度多目标的方法 |
| CN105512954A (zh) * | 2015-11-30 | 2016-04-20 | 清华大学 | 一种针对大规模柔性作业车间调度的集成搜索方法 |
| CN106611288A (zh) * | 2016-10-12 | 2017-05-03 | 四川用联信息技术有限公司 | 一种改进的柔性流水车间调度问题的求解算法 |
| CN107065803A (zh) * | 2017-05-15 | 2017-08-18 | 安徽工程大学 | 基于可变重调度区间的柔性作业车间动态调度方法 |
| CN107817772A (zh) * | 2017-10-17 | 2018-03-20 | 西南交通大学 | 一种柔性作业车间调度优化方法 |
| CN107831745A (zh) * | 2017-11-09 | 2018-03-23 | 西南交通大学 | 一种柔性作业车间插单动态调度优化方法 |
| CN107942979A (zh) * | 2017-11-23 | 2018-04-20 | 北京动力机械研究所 | 柔性生产线制造执行***和方法 |
| CN108121305A (zh) * | 2016-11-30 | 2018-06-05 | 北京理工大学 | 一种作业车间任务的动态调度方法及装置 |
| CN108873835A (zh) * | 2018-06-12 | 2018-11-23 | 昆明理工大学 | 一种半导体集成电路制造中光刻工艺的优化调度方法 |
| US20190025805A1 (en) * | 2016-05-09 | 2019-01-24 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for detection in an industrial internet of things data collection environment with intelligent data collection and process adjustment for an industrial power station |
| CN110009235A (zh) * | 2019-04-10 | 2019-07-12 | 南京航空航天大学 | 一种基于改进遗传算法的柔性作业车间调度方法 |
| CN110046777A (zh) * | 2018-01-17 | 2019-07-23 | 北京理工大学 | 一种柔性作业车间持续重构调度方法及装置 |
-
2019
- 2019-12-25 CN CN201911358773.6A patent/CN111007823B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09282359A (ja) * | 1996-04-09 | 1997-10-31 | Nippon Telegr & Teleph Corp <Ntt> | ジョブショップスケジューリング装置 |
| WO2004088554A2 (en) * | 2003-03-31 | 2004-10-14 | British Telecommuications Public Limited Company | Event scheduling |
| CN101546191A (zh) * | 2009-03-24 | 2009-09-30 | 苏添置 | 流水线作业数据采集及管控方法和*** |
| CN104914835A (zh) * | 2015-05-22 | 2015-09-16 | 齐鲁工业大学 | 一种柔性作业车间调度多目标的方法 |
| CN105512954A (zh) * | 2015-11-30 | 2016-04-20 | 清华大学 | 一种针对大规模柔性作业车间调度的集成搜索方法 |
| US20190025805A1 (en) * | 2016-05-09 | 2019-01-24 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for detection in an industrial internet of things data collection environment with intelligent data collection and process adjustment for an industrial power station |
| CN106611288A (zh) * | 2016-10-12 | 2017-05-03 | 四川用联信息技术有限公司 | 一种改进的柔性流水车间调度问题的求解算法 |
| CN108121305A (zh) * | 2016-11-30 | 2018-06-05 | 北京理工大学 | 一种作业车间任务的动态调度方法及装置 |
| CN107065803A (zh) * | 2017-05-15 | 2017-08-18 | 安徽工程大学 | 基于可变重调度区间的柔性作业车间动态调度方法 |
| CN107817772A (zh) * | 2017-10-17 | 2018-03-20 | 西南交通大学 | 一种柔性作业车间调度优化方法 |
| CN107831745A (zh) * | 2017-11-09 | 2018-03-23 | 西南交通大学 | 一种柔性作业车间插单动态调度优化方法 |
| CN107942979A (zh) * | 2017-11-23 | 2018-04-20 | 北京动力机械研究所 | 柔性生产线制造执行***和方法 |
| CN110046777A (zh) * | 2018-01-17 | 2019-07-23 | 北京理工大学 | 一种柔性作业车间持续重构调度方法及装置 |
| CN108873835A (zh) * | 2018-06-12 | 2018-11-23 | 昆明理工大学 | 一种半导体集成电路制造中光刻工艺的优化调度方法 |
| CN110009235A (zh) * | 2019-04-10 | 2019-07-12 | 南京航空航天大学 | 一种基于改进遗传算法的柔性作业车间调度方法 |
Non-Patent Citations (4)
| Title |
|---|
| HAOXUN CHEN, JIIRGEN IHLOW，CARSTEN LEHMANN: "A Genetic Algorithm for Flexible Job-Shop Scheduling", 《PROCEEDINGS OF THE 1999 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS & AUTOMATION》 * |
| LI JINGSHENG，WANG AIMIN ,TANG CHENGTONG: "Hybrid Scheduling Technology for Emergency Production under Job-Shop Environment", 《2010 INTERNATIONAL CONFERENCE ON COMPUTING, CONTROL AND INDUSTRIAL ENGINEERING》 * |
| 杨小佳，刘建军，陈庆新，毛宁: "变扰动强度下柔性装配作业车间调度性能分析", 《计算机集成制造***》 * |
| 王家海，吕程: "一种融合模拟退火的遗传算法在柔性作业车间调度中的应用", 《数字技术与应用》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111667194A (zh) * | 2020-06-15 | 2020-09-15 | 绍兴数智科技有限公司 | 适用于印染企业的生产调度方法、装置及电子设备 |
| CN111667194B (zh) * | 2020-06-15 | 2023-08-08 | 绍兴数智科技有限公司 | 适用于印染企业的生产调度方法、装置及电子设备 |
| CN112650187A (zh) * | 2021-01-22 | 2021-04-13 | 北京理工大学 | 一种车间调度方法、装置和*** |
| CN115204525A (zh) * | 2022-09-14 | 2022-10-18 | 中科航迈数控软件(深圳)有限公司 | 一种加工任务调度方法、装置、终端及存储介质 |
| CN115204525B (zh) * | 2022-09-14 | 2022-12-16 | 中科航迈数控软件(深圳)有限公司 | 一种加工任务调度方法、装置、终端及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111007823B (zh) | 2021-01-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111007823B (zh) | 柔性作业车间动态调度方法及装置 | |
| CN111966049B (zh) | 一种混合流水车间生产设备调度控制方法 | |
| CN115609593B (zh) | 一种多类型机器人人机协同装配调度方法和装置 | |
| CN112668789A (zh) | 一种柔性作业车间带准备工序的自适应分批调度方法 | |
| CN115578023A (zh) | 一种装配车间调度方法、装置、设备和存储介质 | |
| Sun et al. | Scheduling a real-world hybrid flow shop with variable processing times using Lagrangian relaxation | |
| CN115796510A (zh) | 一种基于改进的变邻域遗传算法的多目标柔性作业车间调度方法 | |
| CN109255484B (zh) | 数据驱动的离散制造资源协同优化方法及*** | |
| CN116880424A (zh) | 一种基于多目标优化的多机器人调度方法以及装置 | |
| CN116227874A (zh) | 一种基于遗传算法的柔性作业车间调度方法和装置 | |
| CN117555305A (zh) | 一种基于nsgaii的多目标可变子批柔性车间作业调度方法 | |
| CN115981262B (zh) | 基于imoea的液压缸零部件车间生产调度方法 | |
| CN117077975A (zh) | 基于混合初始化模因算法的分布式异构流水车间调度方法 | |
| CN115619200B (zh) | 一种分割式Seru的排产与多能工调度组合优化方法和装置 | |
| CN116739179A (zh) | 一种离散制造混流生产的人机协同效率优化方法 | |
| Rifai et al. | Multi-operator hybrid genetic algorithm-simulated annealing for reentrant permutation flow-shop scheduling | |
| CN116387196A (zh) | 一种晶圆的加工方法、装置、电子设备及存储介质 | |
| US6594536B1 (en) | Method and computer program for using tool performance data for dynamic dispatch of wafer processing to increase quantity of output | |
| CN111242500B (zh) | 一种存在新工件***的模糊柔性作业车间调度方法 | |
| CN113505975B (zh) | 一种基于遗传算法和烟花算法的插单排程方法 | |
| CN116468137A (zh) | 一种分布式工艺规划与车间调度集成优化方法 | |
| CN111539648B (zh) | 设备群间动态产能的自动分配装置和方法 | |
| CN114019922A (zh) | 一种基于粒子群退火算法的电子精密件柔性车间排程方法 | |
| CN115129002A (zh) | 一种带批处理机可重入混合流水车间调度方法及*** | |
| CN113657742A (zh) | 车间调度方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |